Using Medical Malpractice Data to Predict the Frequency of Claims: A Study of Poisson Process Models With Random Effects
用医疗事故数据预测索赔频率：含随机效应的泊松过程模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要预测的是医生索赔次数，未涉及宏观预测或金融收益预测，所列细分缺少直接对应项。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
用医疗事故数据预测索赔频率：含随机效应的泊松过程模型
- 研究问题
- 如何利用医生既往医疗事故索赔记录与个体属性，建立索赔发生频率模型，并检验其对后续时期索赔次数的预测表现？
- 方法与思路
- 作者用佛罗里达州已结案索赔数据建立含随机效应和医生协变量的泊松过程，以早期数据拟合并预测后续频率。
- 材料陈述的贡献
- 摘要称，所建模型自然推广常用负二项模型，并以实际后续频率对照预测；摘要没有报告预测表现优劣的结论。
- 阅读关注点
- 应核对已结案记录如何代表索赔发生过程、随机效应和协变量如何设置，以及训练期与预测期的划分和评价指标。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，不能推断刊本变化；摘要未说明结案选择、报告延迟的处理或预测误差数值。
原文摘要
I use the Florida state data base (1975–1987) of settled malpractice claims to develop Poisson process models for the frequency of claims filed against individual physicians. These models incorporate random effects and covariates that represent physician attributes and are natural generalizations of the negative binomial model that is typically used to study claims frequency. I predict claims frequencies during 1981–1982 using models that are selected and estimated from claims data during 1975–1980 and then compare these predictions to the actual frequencies.